企业官网建设流程全解析

• 人工智能
• AI 技能
• AI 应用
• 交互助手

导读：本文围绕 ex-skill 项目中的 persona_analyzer.md 展开，系统讲解如何从微信/QQ 聊天记录、社交媒体内容、照片与口述材料中提取前任的性格特征与行为模式，并翻译为可驱动对话的 Persona 模型。读完本文，你将掌握五大提取维度、18 类性格标签的行为规则翻译方法、星座辅助微调逻辑，以及从分析结果落到persona.md五层结构的完整链路。

一、Persona 分析器在 ex-skill 流水线中的定位

ex-skill（前任.skill 创建器）的完整创建流程定义在 SKILL.md 中：Step 1 录入 3 个基础问题 → Step 2 导入原材料 →Step 3 分析原材料→ Step 4 生成预览 → Step 5 写入文件。其中 Step 3 并行展开两条分析线：

• 线路 A（Relationship Memory）：依据 memory_analyzer.md 提取共同经历、时间线、争吵模式等"事实层"；
• 线路 B（Persona）：依据本文主角 persona_analyzer.md 提取"性格层"——说话风格、情感表达模式、依恋类型、决策模式与人际行为。

从 README.md 对生成 Skill 结构的说明可以看出，最终产物由 Part A（Relationship Memory）与 Part B（Persona）共同驱动，运行逻辑为"收到消息 → Persona 判断 ta 会怎么回 → Memory 补充共同记忆 → 用 ta 的方式输出"。这意味着 Persona 分析器的产出直接决定了"像不像"——它是整个 Skill 的"人格内核"，而 Memory 只是给这个内核提供上下文素材。

二、五大提取维度详解

persona_analyzer.md将性格分析拆解为五个维度，每个维度下又有细分观察点。下面逐一展开，并结合仓库解析工具说明"这些维度具体怎么从原材料里挖出来"。

2.1 说话风格：语言的指纹

说话风格是 Persona 还原度最高、也最容易出效果的一层，persona_analyzer.md列出七个观察点：

这些维度并非只靠"人肉观察"——仓库的解析工具已经在做自动化统计。以 wechat_parser.py 为例，其analyze_messages()函数对目标人物的消息做了四类量化分析：

1. 高频语气词：通过正则[哈嗯哦噢嘿唉呜啊呀吧嘛呢吗么]+抽取并统计 Top 10，直接产出"ta 最爱用的语气词排序"；
2. 高频 Emoji：用 Unicode 区间正则提取 emoji 并统计 Top 10，对应"表情包/emoji 使用偏好"；
3. 标点习惯：分别统计句号、感叹号、问号、省略号、波浪号的次数，形成punctuation_habits字典；
4. 消息风格判定：计算平均消息长度，avg_length < 20判定为short_burst（短句连发型），否则为long_form（长段落型）。

也就是说，原文档中"消息长度：长段落型？短句连发型？"的判断标准，在源码里有明确的阈值：平均 20 字。而"语气词/emoji 使用频率"也可以直接用wechat_parser.py的输出文件查看。QQ 记录则通过 qq_parser.py 解析，输出目标人物前 50 条消息样本供人工进一步研判。

2.2 情感表达模式：情绪的行为签名

这一维度关注情绪"怎么被表达"，persona_analyzer.md给出六个场景：

• 表达爱意：直接说还是行动表达？频率如何？
• 生气方式：冷暴力 / 直接爆发 / 阴阳怪气 / 委屈哭；
• 开心表达：话变多？分享欲变强？买东西？
• 难过表达：沉默？找人倾诉？独处？暴饮暴食？
• 撒娇方式：会不会撒娇？怎么撒？
• 安慰方式：讲道理型？陪伴型？转移注意力型？

这一维度很难靠关键词统计得出，更适合由 LLM 结合聊天上下文判断。仓库的做法是：wechat_parser.py把目标人物的前 50 条消息样本写入输出文件（见sample_messages），供分析器结合上下文研判情绪表达模式。建议优先阅读深夜对话与争吵记录——EXPORT_GUIDE.md 明确指出"深夜对话最能暴露真实性格""冲突中的反应比日常更真实"。

2.3 依恋类型：从聊天模式推断

persona_analyzer.md给出了四类依恋类型的判断依据：

注意这里的措辞是"从聊天模式推断"——判断依据不是自报，而是可观察的行为证据。对应到实操层面：回复速度、主动发起频率、已读不回的反应、深夜消息密度等都是判断线索。wechat_parser.py的target_messages（ta 的消息数）与user_messages（你的消息数）之比、以及消息样本中的情绪波动，都可以作为依恋类型研判的量化输入。

2.4 决策模式：思维倾向的四组对照

• 理性分析型 vs 感觉驱动型
• 纠结犹豫 vs 果断决定
• 在乎别人看法 vs 特立独行
• 计划型 vs 随性型

这一维度与 MBTI 有较强关联（README 中标注"MBTI 影响沟通风格和决策模式"），但也必须回到原材料验证——例如从"选餐厅时的对话""做重大决定时的表述"中找证据，而不是仅凭用户填写的 MBTI 类型直接下结论。

2.5 人际行为：关系中的角色与边界

• 关系角色：照顾者？被照顾者？平等？
• 边界感：粘人？独立？有自己的社交圈？
• 嫉妒/占有欲程度：强/弱，是否表达
• 对承诺的态度：看重/回避

这部分需要与关系记忆交叉印证：争吵记录里"谁先道歉""冷战多久"、日常互动里"联系频率"都直接服务于这一维度的判断，最终写入 Persona 的 Layer 4（关系行为）。

三、标签翻译表：把用户形容词翻译成行为规则

用户经常用"话痨""闷骚""嘴硬心软"这类抽象标签描述前任，但抽象标签无法直接驱动对话。persona_analyzer.md的核心设计就是一张标签翻译表，把每个标签翻译成具体可执行的行为规则，完整如下：

使用规则：用户在 Step 1 录入的"性格画像"（如ENFP 双子座 话很多 永远在社交 但深夜会突然emo，见 intake.md）中出现的标签，必须按上表翻译为行为规则，再结合原材料验证与补充。这些翻译后的规则将成为 5 层 Persona 中 Layer 2~4 的填充素材。README 中列出的完整标签集还包含"拖延症""半夜发语音"等，均可按同样思路扩展翻译。

四、星座影响：辅助微调，不作主要依据

persona_analyzer.md明确"星座用于微调已有标签的行为细节，不作为主要依据"。十二星座对应的影响倾向完整如下：

约束条件：星座只用于"微调"，不能覆盖原材料中的真实表现。同样地，persona_builder.md 的填充说明第 5 条也强调"星座和 MBTI 仅用于辅助推断，不能覆盖原材料中的真实表现"。例如用户标签"话痨"遇到"双子座"，可以补充"话题跳跃快、一心多用"的细节；但如果聊天记录显示对方消息极简短、回复极慢，星座必须让位于真实证据。

五、输出：5 层 Persona 结构草稿

persona_analyzer.md的输出格式是"一个 5 层 Persona 结构草稿（详见 persona_builder.md），每层包含具体的行为规则而非抽象描述"。5 层结构的完整定义在 persona_builder.md，优先级从高到低，高层规则不可被低层覆盖：

5.1 填充硬性要求（persona_builder.md）

1. 每个{placeholder}必须替换为具体的行为描述，而非抽象标签——例如不能写"话痨"，要写"消息密度高，经常连发多条，不等对方回就继续说"；
2. 行为描述应基于原材料中的真实证据；
3. 某个维度信息不足时，标注[信息不足，使用默认]并给出合理推断；
4. 优先使用聊天记录中的真实表述作为示例（对应 Layer 2 的"示例对话：从原材料中提取 3-5 段最能代表 ta 说话风格的对话"）；
5. 星座和 MBTI 仅用于辅助推断，不能覆盖真实表现。

5.2 从分析到落盘

分析完成后，SKILL.md 的 Step 5 负责落盘：

• 写入exes/{slug}/persona.md（Persona 内容）；
• 同时写入memory.md、meta.json（其中tags.personality/tags.attachment_style/tags.love_language字段直接记录本分析器的产出）、组合成SKILL.md；
• skill_writer.py 的combine_skill()函数会把persona.md拼入最终 SKILL.md 的PART B：人物性格节，与 PART A（关系记忆）共同构成可运行 Skill。

运行规则（来自 skill_writer.py 生成模板）强调："先由 PART B 判断 ta 会怎么回应这个话题、什么态度？……始终保持 PART B 的表达风格，包括口头禅、语气词、标点习惯"，这正说明分析器的产出是整个对话仿真能力的根基。

六、持续进化：纠正与增量 Merge

Persona 不是一次成型、终身不变的。ex-skill 提供两条进化路径，都会回流到 persona 文件：

路径一：对话纠正（correction_handler.md） 用户说"ta 不会这样说""太温柔了""ta 不用这个表情"时触发。按层级定位问题："ta 不会这样说话" → 修改 Layer 2 说话风格；"ta 生气不会这样" → 修改 Layer 3 情感模式；"ta 不会主动道歉" → 修改 Layer 4 关系行为。处理流程为确认纠正内容 → 生成 Correction 记录（含层级、原文、纠正为、用户原话）→ 追加到## Correction 记录节 → 修改原文并标注[已纠正，见 Correction #{n}]→ 重新生成 SKILL.md。纠正后立即生效，下一条回复就应体现。

路径二：增量 Merge（merger.md） 追加新聊天记录时，按persona_analyzer.md的维度分析增量内容，遵循"增量不覆盖"原则：新的口头禅发现 → 追加到 Layer 2；更充分的情感模式证据 → 强化 Layer 3；新的行为模式 → 追加到 Layer 4；Layer 0/1 通常不变（除非用户明确纠正）。新内容前标注<!-- [追加于 {日期}，来源：{来源类型}] -->。

两套机制配合 version_manager.py 的版本存档，保证每次进化都可回滚。

七、实操建议与安全边界

7.1 让分析更准确的输入策略

• 原材料优先顺序（EXPORT_GUIDE.md）：深夜对话 > 争吵/冲突记录 > 分手前后对话 > 日常闲聊；
• 微信导出（wechat_parser.py 支持 txt/csv/html/json/sqlite/纯文本）信息最丰富，README 推荐优先使用；
• 社交媒体（social_parser.py）用于观察"公开人设 vs 私下性格差异"，照片（photo_analyzer.py）用于时间线与常去地点，二者对 Layer 3/4 有辅助价值；
• 口述内容可能被美化或恶化，聊天记录中的事实应优先于口述（memory_analyzer.md注意事项同样适用于性格判断）。

7.2 安全边界（SKILL.md）

• 仅用于个人回忆与情感疗愈，不用于骚扰、跟踪或侵犯隐私；
• 生成的 Skill 是对话模拟，不主动联系真人；
• Layer 0 硬规则确保生成的前任 Skill 不说出现实中 ta 绝不可能说的话（如突然表白、道歉），除非有原材料证据；
• 所有数据仅本地存储。

八、总结

persona_analyzer.md是 ex-skill"性格蒸馏"的核心引擎：它用五个提取维度（说话风格、情感表达、依恋类型、决策模式、人际行为）框定"看什么"，用标签翻译表把抽象形容词转成可执行行为规则，用星座表做辅助微调，最后输出可填入五层 Persona 结构（persona_builder.md）的具体行为描述。配合 wechat_parser.py 的音调词/emoji/标点/消息长度统计、correction_handler.md 的即时纠错与 merger.md 的增量进化，它保证了"还原的不是一个标签，而是一个会说话的人"。

一句话记住分析原则：一切判断以原材料证据为最高优先级，标签与星座只做翻译和微调，永远不覆盖真实表现。

• 人工智能
• AI 技能
• AI 应用
• 交互助手